一、考試目的與要求

全國碩士研究生入學統一考試中的“人工智能基礎綜合”是為我校招收人工智能（085410）專業學位碩士研究生而設置的具有選拔性質的考試科目。考試要求學生掌握C語言相關知識，自動控制原理的基本概念和基礎理論、或機器學習基礎理論和算法，并具有運用基本概念和基礎理論分析問題與解決問題的能力。

二、考試范圍

1、C語言部分，所有考生必答題

（1）算法及其描述方法：算法的描述方法（流程圖、N-S流程圖），程序設計的基本結構。

（2）數據類型、運算符和表達式：包括變量和常量，預處理命令，數據類型（整型、浮點型、字符型），算術運算符，表達式。

（3）順序程序設計：各種類型數據的格式化輸入/輸出方法，字符數據的非格式化輸入/輸出方法，順序程序的設計。

（4）選擇結構程序設計：關系運算符、邏輯運算符和條件運算符，if與switch語句，if語句的嵌套。

（5）循環結構程序設計：C語言三種循環結構，混合控制結構程序設計。

（6）數組：一維數組和二維數組，字符串與字符數組，字符串函數。

（7）函數：函數的定義，原型聲明和調用，函數的嵌套調用和遞歸調用，數組作為函數的參數，變量的作用域和存儲類別，內部函數和外部函數。

（8）指針：指針的概念，指針變量定義、引用、作為函數參數，通過指針引用數組、字符串，數組指針、函數指針、指針數組、指針型函數，動態內存分配和釋放的方法。

（9）結構體、共用體、文件：結構體、共用體和枚舉數據類型，結構體數組、結構體指針、鏈表。

2、自動控制原理部分

（1）自動控制系統的工作原理、分類和基本要求，繪制控制系統方框圖并分析其工作原理。

（2）傳遞函數的定義、性質和意義，以及開環傳遞函數、閉環傳遞函數的概念(求取電路系統、機械系統等實際物理系統的傳遞函數)。

（3）熟練使用結構圖等效變換和化簡方法，或用梅森增益公式法求系統的傳遞函數。

（4）時域響應的4種主要性能指標：上升時間、峰值時間、調節時間和超調量。

（5）一階系統的數學模型和典型時域響應特點。

（6）二階系統的數學模型和典型時域響應特點，熟練計算其在欠阻尼下的性能指標和結構參數，并掌握改善二階系統性能的原理。

（7）穩定性的定義以及線性定常系統穩定的充要條件，熟練應用勞斯判據判定系統的穩定性。

（8）系統在典型輸入信號作用下的穩態誤差、擾動穩態誤差的計算方法。

（9）高階系統的近似降階方法。

（10）常規根軌跡和參數根軌跡的繪制規則。

（11）應用根軌跡分析參數變化對系統性能的影響。

（12）理解頻率特性的含義并能用頻率特性計算系統在正弦信號作用下的穩態輸出信號和穩態誤差信號。

（13）繪制開環系統Nyqusit圖和對數幅頻漸進特性曲線圖。

（14）Nyqusit穩定判據。

（15）穩定裕度的概念，能夠利用對數幅頻特性曲線的分段近似計算系統的穩定裕度。

（16）開環對數頻率特性與系統時域性能之間的關系，正確理解低、中、高三頻段分別對控制系統性能的影響。

（17）由最小相位系統的開環對數幅頻特性曲線確定傳遞函數的方法。

（18）利用開環對數幅頻特性曲線進行串聯超前校正和串聯滯后校正的方法、原理和步驟，理解超前校正、滯后校正、滯后-超前校正對控制系統性能的影響。

（19）PID控制規律及其作用。

（20）非線性系統的特點。

（21）非線性系統分析的描述函數法。

（22）非線性系統分析的相平面法。

3、機器學習部分

（1）機器學習的基本概念：機器學習的定義和機器學習的基本概念，包括樣本、特征、標簽、數據集、訓練、測試、模型參數、損失函數、學習誤差、泛化能力、正則化、欠擬合與過擬合、學習終止條件及方法。

（2）回歸模型：線性回歸、非線性回歸、嶺回歸、套索（LASSO）回歸基本概念及模型，回歸模型的優化方法，包括正規方程法、梯度下降法、隨機梯度下降、牛頓法。

（3）分類模型及算法：包括判別模型與生成模型的概念和區別、K最近鄰算法、貝葉斯分類器、線性判別分析、二分類邏輯回歸、邏輯回歸的極大似然估計求解、Softmax函數。

（4）決策樹與隨機森林：決策樹的分類過程、決策樹的劃分準則，包括信息增益、信息增益比、基尼不純度、隨機森林基本概念及算法。

（5）神經網絡：神經元模型、感知機與多層網絡、誤差反向傳播算法及存在的問題、全局最小與局部極小、?其他常見的神經網絡模型。

（6）支持向量機：間隔與支持向量、對偶問題、核函數、軟間隔與正則化、支持向量回歸、支持向量機的核方法。

（7）深度學習：深度學習基本原理，常用的深度學習方法、卷積神經網絡及存在的問題。

（8）集成學習：聚合算法（bagging）、提升算法（boosting）、堆疊算法（stacking）。

（9）聚類分析：聚類基本概念、性能度量、K均值算法、度量的重要性、原型聚類概念及算法。

(10)?模型選擇：學習模型的復雜度、訓練—驗證—測試法的描述、交叉驗證法、留一交叉驗證、K折交叉驗證、學習模型的綜合評價、預測誤差期望（期望泛化誤差）基本概念、預測誤差期望的預測偏差-方差分解。

三、試題結構

考試時間：180分鐘（3小時）。

考試形式：筆試，閉卷，滿分150分。其中，C語言專業基礎部分50分，所有考生均需作答；專業知識部分100分，考生自主選擇自動控制原理部分或機器學習部分其中一種考題作答。